高维数据采集与聚类算法应用于燃料电池汽车性能退化评估

能源与人工智能10（2022）100184透视基于高维数据采集和聚类算法计算牛彤a，1，黄伟峰a， 1，张彩芝a，*，曾涛b， c，陈家伟 d，李宇 c，杨柳e，f，g，*机械与车辆工程学院，机械传动国家重点实验室，重庆汽车协同创新中心，重庆大学，重庆400044b重庆大学电气工程学院，重庆400044c重庆长安新能源汽车技术有限公司动力研究所，重庆市，中国d重庆大学自动化学院，重庆400044e上海大学理学院可持续能源研究所，上海200444 f清华大学四川能源互联网研究院，四川成都610213g上海大学绍兴理工学院，浙江绍兴312000H I G H L I G H T S G R A P H I C A LA B标准• 采用真实有效的试验数据• 结合降维聚类算法，在一定程度上消除了由于车辆工况不一致而引起的故障。• 它更准确地显示了 燃料电池性能的恶化。A R T I C L EI N FO保留字：燃料电池汽车主成分分析聚类算法燃料电池A B标准准确感知燃料电池的性能退化对检测其健康状态具有重要意义。但是，燃料电池汽车在测试中的运行条件不一致，导致数据误差。为了获得更可信的降解率，本研究提出了一种新的方法，通过使用降维和聚类算法将不同工况下收集的实验数据分类到相似的操作条件。首先，从燃料电池汽车上采集的实验数据属于高维数据。然后通过主成分分析（PCA）将高维数据投影到三维特征向量空间。降维后的三维特征向量被输入到聚类算法中，例如K-means和基于密度的噪声应用空间聚类（DBSCAN）。根据聚类结果，可以对具有相似工况的燃料电池电压数据进行分类。最后，所选择的电压数据可用于精确地表示机载燃料电池堆的真实性能退化。结果表明，使用K-means算法的电压下降最快，其次是* 通讯作者。电子邮件地址：czzhang@cqu.edu.cn（中国）张），yangliu8651@shu.edu.cn（Y. Liu）.[1]这些作者对这项工作作出了同样的贡献。https://doi.org/10.1016/j.egyai.2022.100184在线预订2022年2666-5468/© 2022作者。由爱思唯尔有限公司出版。这是一篇开放获取的文章，获得了CC BY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可从ScienceDirect获取目录列表能源与AI期刊主页：www.sciencedirect.com/journal/energy-and-aiT. Niu等人能源与人工智能10（2022）1001842最后通过DBSCAN算法得到原始数据，表明燃料电池的性能实际上下降得很快。早期干预可以最大限度地延长其寿命介绍背景氢是可持续的能源载体，因为它具有高能量密度，清洁生产水和清洁电力，并且在转化为可用能源时零排放[1，2]。到2022年，已有30多个国家发布了氢能相关战略，其中包括德国[1，2]、英国[3]、日本[4]等发达国家。2020年，他们纷纷制定了各自的氢能战略，将氢能产业发展上升到国家能源战略的高度因此，大力发展氢能和燃料电池技术及产业发展十分在各种燃料电池技术中，质子交换膜燃料电池（PEMFC）由于其无污染、能量转换效率高、噪声低、启动快等[5然而，PEMFC有限的寿命（5000 h）是其用作实际可用的电源时车辆[8，9]。PEMFC的性能失效主要是由质子交换膜[10目前，质子交换膜燃料电池在电动汽车上使用时的性能退化和减缓退化的策略的发展仍然是主要的研究课题之一。例如，Li等人[15]研究了420小时动态驱动循环运行后的PEMFC堆，发现PtNW/C催化剂阴极和商业Pt/C阴极的降解贡献分别为14%和17.9%。Lee等人[16]研究了具有64个单电池的金属板PEMFC堆，在1.2 kW的恒定输出功率下进行了超过500小时的日常启动和关闭测试，发现衰减率为27 mV/h。Chu et al.[17].做了耐久性测试在动态循环条件下，对30个电池组成的10 kW金属板PEMFC电堆的平均电压衰减百分比进行了研究，发现电堆的平均电压衰减百分比当额定电流密度控制在1000 mA/cm2时，膜厚为2.67%。基于PEMFC的耐久性测试结果，可以开发一些模型来预测性能和退化。对于预测，已经开发了一些方法，例如模型驱动方法，数据驱动方法[18，19]和实验测试方法，用于PEMFC性能和退化预测[20例如，He等人[24]和Yamamoto等人[30]使用粒子过滤器方法测试一组MEA，以快速评估性能并预测PEMFC的寿命，其中一个MEA在实际恒定负载下进行测试，另一个MEA用于快速评估。实验结果验证了粒子滤波算法能够快速评估数据，最大程度地消除各种误差。Zhang等人[22]将寿命预测的经验模型与实验数据相结合，表明该方法可以提高预测精度。Zhou等人。[23]进行了三阶段稳健预测方法。首先利用老化模型去除冗余数据，然后利用老化模型滤除时间序列中的线性成分，最后训练非线性模型进行时滞神经网络预测。Li等人[25]讨论了一种在线极值搜索算法，通过搜索PEMFC性能的变化来寻求最大功率和最大效率点; 与此同时，更新了牢房的“安全工作区“根据在线求极值的结果，计算出除了直接预测PEMFC的使用寿命，的电池，以进一步预测PEMFC堆的寿命和退化也被认为是。例如，Pang等人[26]使用电池电压一致性（空间波动度）来表征PEMFC堆的健康状态。通过非参数统计、无监督学习和特征选择等方法，确定温度、电流、阴极化学计量比和压力为相对最优特征，结合随机森林算法进行健康状态识别。然而，在文献[21，27，28]中提出了关于寿命预测的准确性的问题。由于实际测试中温度、湿度等诸多因素的不确定性，燃料电池堆制造工艺的随机性差异，以及设备的系统误差和背景噪声等，所获得的数据可能不适用于类似的工况。因此，对燃料电池堆性能退化的预测可能是不准确的，导致在预测其使用寿命时的一些误差。本文的研究空白与新贡献本文根据燃料电池汽车在该工况下的实际测试数据，对燃料电池性能的退化进行了分析 保持环境的一致性。具体地说，采用主成分分析（PCA）算法对高维数据集进行降维，以降低计算复杂度数据;然后，采用K-means聚类方法和基于密度的含噪声应用空间聚类（DBSCAN）方法，解决了实际测试中系统误差、随机误差和温湿度误差对测试结果的影响。根据聚类结果，可以对相似工况下的燃料电池电压进行分类.进入下一步骤，可以获得更精确的燃料电池堆性能退化的拟合曲线。本工作的创新之处在于利用最新的实际测试数据，通过降维和聚类算法使车辆工况尽可能一致，更准确地观察燃料电池的性能退化情况数据降维的实验与方法在本文中，燃料电池汽车用于测试，如图1所示。车辆的行驶速度低于80 km/h。收集的数据为2021年2月24日至2021年3月23日，共28天。有效测试时间为每天4-5分钟，100公里后每秒测试10次。本工作使用的有效数据为57,535组，包括风量、进风温度、进风压力等12个试验测量因子，如图所示。1.一、由于燃料电池电堆是一个耦合的非线性系统，在很多情况下变量之间存在相关性，多变量测试数据集包含了丰富的信息。这些数据不能单独分析，这在一定程度上增加了多变量高维数据集分析的计算复杂度和复杂度[29，30]。因此，为了减少指标而不丢失有效信息，可以使用降维算法，如主成分分析（PCA），Fisher判别分析（FDA）[31]和局部线性嵌入（LLE）[32]。本文选用主成分分析法进行数据处理。主成分分析的核心思想是将数据向方差最大的方向投影，利用原始特征参数的线性组合得到一个新的主成分，既能保留足够的原始样本信息，又能同时降低样本维数[33]。T. Niu等人能源与人工智能10（2022）1001843}--∑1Var（a）=（-）in-1PCA有两种实现方法：特征值分解协方差矩阵 X和奇异值分解（SVD）协方差矩，基于最小化原始数据损失和降低计算复杂度的原则，前者更有利于PCA的实现，因此本文采用特征值分解协方差矩阵X，n表示数据中的11个因子。 空气流量、水入口和出口温度（如图 1）被取为数据集X的子集并记录为XX1，...，X n.降维的结果是从n维降到k维。本文给出了PCA的降维过程，包括协方差矩阵、特征值、贡献率和变换矩阵。具体流程如下：(a) 对数据集中的所有特征进行相关性判断。判断方法包括Kaiser-Meyer-Olkin（KMO）和Bartlett球度检验。KMO检验统计量用于比较变量间的简单校正系数和偏倚关系数。KMO值越接近1，变量之间的相关性越强，原始变量更适合进行因子分析，Bartlett球度检验主要用于检验数据的分布，各种变量的独立性。如果Sig值小于0.05，则认为可以进行因子分析。如果判断结果符合要求，则执行步骤（b），否则不能对原始数据进行降维分析。(b) 通过Eq. （1）：Maμ2（1）mi=1其中m的值是11;(a)根据等式（2）、μ=Σ1。（X-X）T（X-X））（ 2）计算协方差矩阵X，其中，X表示平均矩阵X：T. Niu等人能源与人工智能10（2022）1001844图1.一、本文采用的参数、试验条件和分析过程。T. Niu等人能源与人工智能10（2022）1001845n∈（≤≤）={ }（ ≤≤）K图二、PCA的降 维过程。X=1∑xi（3）维数，xm是ρ维的特征向量，xmi是第i个ni=1(a) 用特征值分解法计算协方差的特征值和特征向量矩阵X是特征向量中的特征xm。将数据集A分成K个聚类，表示为N={N1，N2，...，Nk，...，NK}，每个聚类的聚类质心记为μ kR 1 kK，其中μk也是ρ维的矢量，质心也可以通过以下各项的平均值或中值来计算：(b) 将特征值从大到小排序，选择对结果累积贡献率最大的k个特征值。一般来说，如果累计贡献率大于85%，就可以认为降维前的原始数据所包含的信息已经得到了充分的表达;(c) 将数据转换到由k个特征向量构造的新空间中。聚类在本研究中，车辆运行条件的不一致会导致测试过程中的系统误差、随机误差和温湿度误差。因此，聚类分析可以更准确地获得燃料电池堆的衰减聚类算法的目的，是寻找一组实例、点或对象的真实分组，并将数据集划分为一定数量的簇。同一聚类中的样本具有相似的特征以形成聚类。目前，已有多种聚类方法，包括基于划分的聚类、基于层次的聚类、基于密度的聚类和基于网格的聚类。本文选用了基于划分聚类的K-means算法和基于密度聚类的DBSCAN算法。K-meansK-means是一种著名且广泛使用的无监督分类方法[34被称为K-means聚类算法，使用距离作为相似性评价指标，即两个对象之间的距离越近 本文对记录训练数据集A= {x1，x2， Xm =（xm1，xm2， 哪里 ρ表示群中的样本[38K-means的具体过程聚类总结如下并且也在图3中示出，图中使用的数据与图2一致。后面将介绍三维图、折线图和算法结果(a) 从数据集中随机选择K个样本;每个样本代表聚类的中心或初始均值。均值通常用作聚类中心。质心的集合形式表示为μ={μ1，μ2，Nkμk 1KK.在本文中，降维三维使用dataset(b) 计算数据集A中每个样本xm与聚类质心μk（1≤k≤K）之间的距离dist（xm，μk），距离样本xm最近的质心所在的聚类为样本应属于的聚类(c) 利用该公式迭代更新每个簇的质心，得到新的质心μ′;(d) 重复步骤（b）和（c）。如果重新计算的质心与原始质心之间的距离小于设定的阈值（表明重新计算的质心位置变化很小，趋于稳定或收敛），则可以认为聚类已经达到期望的结果，即终止循环。然后，输出聚类N={N1，N2，对于K-means算法，需要预先指定算法的聚类数。K值是由经验确定的，因此K值的选取对聚类结果有很大的影响。本研究选取三种常用方法作为评价指标，对K值的选取进行评价，使分类结果更加准确。这三种方法是卡林斯基-T. Niu等人能源与人工智能10（2022）1001846-∑a（i）=（，）=∑.）.）K（max（a（i），b（i））图三. K-means算法的流程图。Harabasz（CH）指标、轮廓系数（SC）指标和误差平方和（SSE）指标。(a)Calinski-Harabasz（CH）指数紧度定义为聚类中每个点到聚类中心的距离的平方和，分离度定义为每个中心点到数据集其他中心点的距离的平方和，CH指数由分离度与紧度的比值得到。因此，CH值越大，聚类越接近，聚类越分散，即聚类结果越优越。提出了轮廓系数的概念。轮廓系数 如下 准 紧凑性， 和 其 范围是[1，1]。可以看出，轮廓系数越高，聚类效果越好。假设数据集已被聚类算法划分为多个类，且存在i∈Ci：1d i j（9）|CI-1|j∈Ci，i=scinj其中d（i，j）表示聚类Ci中的目标i和j之间的距离，a（i）可以理解为i被分配给该聚类的程度。同时，b（i）用于表示最小平均相异度，其是从i到其他集群 Ck 除了群集Ci之外。 空间 表示是 所示SSSB/k-1SSW/N-k（四）图四、b（ i）=min1∑d（i，j）（10）其中k表示聚类类别的数量，N表示所有数据的数量，SSB是聚类间方差，SSW是聚类内方差。SSB=tr（Bk）（5）KB k=n q C q-C E C q-C ET（6）q=1SSW=tr（Wk）（7）Wk=∑∑。x-Cq）。x-Cq）T（8）q=1XQk闪烁=i|Ck|j∈Ci，i=scinj定义目标i的轮廓值为S（i）：S（i）=b（i）-a（i），如果|C i|>1，S（i）=0，如果|C i|= 1（11）其中Bk是类别之间的协方差矩阵X，Wk是类别内数据的协方差矩阵X，tr是矩阵X的迹，CE是所有数据的中心点，nq是聚类q数据点的总数。T. Niu等人能源与人工智能10（2022）1001847(a) 轮廓系数（SC）指数为了描述目标聚类与见图4。 SC的空间表示T. Niu等人能源与人工智能10（2022）1001848b（i）a（i）∑∑）⃒ε=（）∈（）|∈|≥=0S（i）={1-a（i），a（i）b（i）（十二）样本中的点数大于预设值M的条件。定义3. （直接密度可达）。一个对象xi是从一个对象xj直接密度可达的。ε和M在对象D的集合中，如果1）xi在xj的ε-邻域中;并且2）xj是核心对象。定义4. （密度可达）。 一个物体xi是密度可达的(a)平方和是由于误差（SSE）指数。聚类N k的聚类效果通过聚类中样本的相似度来衡量，相似度定义为聚类N k中所有样本与质心μ k之间误差的平方和，空间表示如图所示。五、公式如下：KSSE=|x m-μ k|二（十三）k=1xm ∈NkK-means算法的聚类目标是希望所有样本都最接近质心，即SEE值最小，类间边界最清晰，类内样本相似度最高。在Python软件中，K-means。利用惯性属性计算类内误差方差，并利用图形化工具肘方法实现了指标的可视化。k对聚类内误差方差的影响可以通过图形直接观察到。当聚类数达到一定值时，图像会出现肘部形状，可以确定此时聚类效果较好DBSCANDBSCAN （ Density-Based Spatial Clustering of Applications withNoise）是一种基于密度的空间聚类算法[41]，广泛应用于导航和造船业[42]、汽车工业[43]、计算机科学[44，45]、数学[46]、航空航天科学[47]等领域，该算法将密度足够的区域划分为簇，并在有噪声的空间数据库中找到任意形状的簇。它将聚类定义为密度连接点的最大集合。DBSCAN的核心思想是基于一组邻域来描述样本集的紧密性，并使用参数ε、M表示。 ε描述给定neigh的半径，Borhood，M表示ε-邻域必须包含的最小点数。本文记录的样本集为D=（x1，x2，定义1. （ε-邻域）。对于xj∈ D，其ε-邻域包含样本集D中的所有点，这些点与xj的距离不大于ε，即N∈（x j）={x i∈ D距离（x i，x j）≤ε}，子样本设置记录为|N ∈（x j）|.定义2. （核心对象）。对于xj∈D，xj是核心对象，如果它满足图五. SSE的空间表示一个物体xi。ε和M在对象集合D中，如果存在一个对象链P1，P2，…，PT，P1 = xj，PT = Pi，使得Pt ∈ D且Pt + 1是从Pt直接密度可达的定义5. （密度连接）。一个对象xi是从一个对象xj密度连通的。ε和M在对象集合D中，如果存在对象xk∈D使得xi和xj都是从xk密度可达的。输入样本集D=（x1，x2，，M和样本距离度量的方法，可以得到聚类的划分集C1，C2，DBSCAN聚类的具体过程总结如下，如图6所示，图中使用的数据与图2一致。三维示意图、折线图和算法结果将在后面介绍：i 将核心集初始化为空集：Ω=空集;ii 找到核心点：遍历所有样本x i，i =1， 2，Nx i，如果 NX iM，则ΩΩx i;iii 迭代：以任何一个未被访问过的核心点为起点，然后以其密度寻找样本生成的聚类，直到所有的核心点都被访问过。结果和讨论实验数据集11个因素（例如，燃料电池堆工作条件下的空气流量、空气入口温度、空气入口压力、空气出口压力、水入口温度、水出口温度、水入口压力、反应器输出电流等）可以影响电压。本文中作为影响因素的11个变量是在不同工况下收集的，包括2021年2月24日至2021年3月23日燃料电池汽车运行的28天。图7为未处理数据28天内车辆电压值的折线图，并进行线性曲线拟合从图7中的结果可以看出，燃料电池堆的电压值每天波动约1-2 V，总体上显示出下降的时间趋势。随着使用时间的延长，燃料电池电堆的性能逐渐下降。如前所述，实验中测得的数据中存在噪声点，这意味着每天获得的数据并不处于相同或相似的工作条件下。同时，11个影响因素使得数据集的维度过高。通过降维和聚类处理，使结果更加可靠和准确。降维结果本研究利用主成分分析法进行降维。本文选取的数据的KMO和Bartlett检验结果见表1。KMO值大于0.5，可以认为原始变量适合进行因子分析，相关性较强。显著性检验的结果几乎为0，说明各变量之间是相互独立的.根据上述PCA算法的使用前提，本文选取的数据适合使用该算法。如表2中红框所示，前三个组分的累计贡献率达到87.506%。按照累计缴费率大于85%的原则，T. Niu等人能源与人工智能10（2022）1001849见图6。 DBSCAN算法流程图。表1见图7。 未处理数据的28天内堆电压值的折线图、线性拟合图及相关参数。曲线的下降速度明显减慢，这也验证了ra。KMO和Bartlett测试结果。Kaiser-Meyer-Olkin抽样重复性按累计缴费率的85%提取。降维的最终结果是将原来的多维数据降维为三维，这就提供了数据基础Bartlett约X. 卡方798，556.728东风55显著（签名）.000对于以下聚类算法。使用不同方法即现有的构件基本上能代表原始数据，得到新的三维数据集。为了保证降维的可靠性，绘制了砾石图。从砾石图可以看出，当维数大于3时，本研究使用两种演算法进行分群。目的是使28天的工作条件尽可能相似。在存在测量误差、系统误差和温湿度误差的情况下，T. Niu等人能源与人工智能10（2022）10018410===表2解释了累积贡献率和总不一致，这将对电堆的性能和寿命预测产生很大影响。本文采用两种不同的聚类算法，以保证数据尽可能处于相同的工作状态。K-means聚类结果为了确定聚类的数量k，上面引入了三个指标用于评估。K表示聚类中心，k的值决定了聚类类别的数量。因此，k值的选取对聚类结果有很大的影响如何判断k的大小是非常重要的。上述三个评价指标是CH指标、轮廓系数和误差平方和评价结果如下：首先，CH值可以通过一个比值来计算，其中分母是聚类中每个点到聚类中心距离的平方和，分子是聚类中心到数据集中心距离的平方和。本文取k为2 ~ 14，分别计算了相应的CH，如图所示。第8（a）段。根据CH值越高，聚类效果越好的原则，k值为6，即将原始数据集分为6类。当k为6时，数据集的分类如图所示。第8（a）段。图中的X、Y和Z。 8（b）用于表示三个-空间，没有特定的意义。第一类包含11,718个数据;第二类包含5686个数据;第三类包含3784个数据;第四类包含14,388个数据;第五类包含17,912个数据;第六类包含4047个数据。其次，采用轮廓系数来描述目标类与其他类之间的相似性，值越大，聚类效果越好。取k值2 ~ 14，计算这13种情况下的轮廓系数，所得结果如图所示。 9（a）。从图中可以看出，k2时Silhouette Coefficient最高，认为此时聚类效果最好。当k 2时，数据集的分类如图9（b）所示。图9（b）中的X、Y和Z用于表示三维空间，没有特定含义。最后，误差平方和（SSE）表示聚类中样本的相似性。SEE值越高，聚类之间的边界越清晰，聚类中样本的相似性越高。取不同的k值计算SEE，结果如图10所示。图10中的X、Y和Z用于表示三维空间并且没有特定含义。从图中可以看出，K值约为3或4的虚线斜率本文认为k= 4的效果较好，其分类如图10所示。图8.第八条。不同k 值 下 降维数据的 CH 指 标 。T. Niu等人能源与人工智能10（2022）10018411=图9.第九条。不同k 值 下 降维数据的 轮 廓 系 数 。图10个。不同k值下降维数据的误差平方和（SSE）。数据集分别按照k2、4、6进行分类，在保证足够数据量的情况下剔除包含相对较小数据的类别。认为其余数据在类似工作条件下。在此基础上得到了每天的整车电压值的平均值，并得到了k分别为2、4、6时的整车电压值的线图，如图10所示。 十一岁如图11（d）所示，条形图显示了见图11。 k为2、4、6时堆电压折线图、线性拟合图及相关参数。T. Niu等人能源与人工智能10（2022）10018410--=----当k分别取为2，4和6时，簇堆电压与原始实验数据之间的关系。可以看出，当k取2时，聚类后的数据更符合真实情况，而由于k取4或6时数据过于分散，无论取哪一类，结果的可靠性都会降低。为了尽可能使大部分数据处于相同的工作条件下，减少聚类类别数多所带来的误差，选择k=2用于随后的分析。DBSCAN的聚类结果DBSCAN算法的关键参数是ε和M。这两个参数值只能通过经验获得，最终选择的值可以尽可能高地评分。本文最终确定了ε 1。65和M8000，此时聚类得分较高，为0.61522。将原始数据分为两类，Gories，标记为0和1。标记为“1 "的数据作为噪声点被去除，剩余的点根据数据进行平均，以制作散点图，如图所示。12个。讨论在原始数据集中，日堆电压值受11个因素影响（如空气流量、空气入口温度、空气入口压力、空气出口压力、水入口温度、水出口温度、水入口压力、反应堆输出电流等），测量的数据量大，维数高。高维数据复杂且难以识别。在这种情况下，对燃料电池性能衰减的分析会有一定的误差。降维算法可以在尽可能保留数据结构的前提下，将数据从高维空间映射到低维空间，从而降低计算复杂度。将11个因变量映射到三维空间中，可以清晰地观察到每个点的分布，聚类结果更加直观。在本研究中，堆电压的平均值被用来表示燃料电池堆的衰减，即电压变化的速度，间接代表了电池堆性能下降的速度。未经任何处理的原始堆电压的平均值如图中的黑线所示。13，线性拟合后的曲线斜率为0. 187。根据样本之间的相似性，即，K-均值算法，对降维后的数据进行处理. 图13中的蓝线为堆电压的平均值，线性拟合后曲线的斜率为0.26346;同样，进行聚类处理，将数据进行分类，通过样本在三维空间中分布的紧密性。图13中红线为车辆电压平均值，线性拟合后斜率为0.21808。比较三种情况下的斜率，不难观察到，在K-means聚类和DBSCAN聚类之后，燃料电池堆的平均值衰减更快。聚类的目的是从每天大量的工作数据中筛选出工况相似的部件，从而更准确地判断电堆的性能退化情况。因此，可以认为，根据聚类后的堆电压平均值预测的实际衰减速率比根据原始数据得到的预测衰减速率要快。虽然从原始数据得到的结果衰减速度慢，但没有考虑工况的一致性。在变异较大的情况下所得结果的准确性较低，没有参考价值。此时，采用K-means和DBSCAN聚类算法可以使工作条件尽可能的好，并且结果更准确更有价值结论本文的主要研究内容是基于聚类算法精确研究燃料电池电堆的性能退化速率。首先，利用主成分分析（PCA）将高维数据集（如风量、进出水温度等）投影到三维特征向量空间;在降维之后，将新的数据集输入到 K-means和基于密度的噪声应用空间聚类（DBSCAN）算法。通过这种方式，筛选数据以使使燃料电池堆尽可能在合适的工作条件下工作，减少系统误差、随机误差和人为采样误差带来的影响。从结果可以看出，K-means算法的数据斜率最小，说明该方法计算下电压衰减速度最快，其次是DBSCAN算法得到的数据，原始数据斜率最大，电压衰减速度最慢。考虑到原始数据不保持工况的一致性，认为在这种情况下判断燃料电池堆的衰减率是不准确的，没有参考价值。无论是使用K-means算法还是DBSCAN算法，都可以看出燃料电池电堆的性能衰减速度比原始数据快。提前干预燃料电池性能可以最大限度地延长燃料电池堆的使用寿命。这结果表明，该方法是可行的，以获得更准确的与燃料电池堆的可靠性能退化率相比，图12个。DBSCAN算法下堆电压折线图、线性拟合图及相关参数。T. Niu等人能源与人工智能10（2022）10018411图13岁未经处理 的数据 和不同 方法聚类 的数据 的线图和线性拟合参数的比 较。未经处理的原始数据。竞争利益作者声明，他们没有已知的可能影响本文所报告工作确认本工作得到重庆市技术创新与应用发展专项重点项目（cstc 2019jscX-zdztzX X 0033）、科技部国家重点研发计划（子项目）（2018 YFB0105400）和国家自然科学基金（21908142）的联合支持。&引用[1] 德国政府通过了新的国家氢能战略。 J Fuel Cells Bull2020：2020.[2] 梅勒S.德国宣布氢战略贸易融资2020. N.PAG-N. PAG。[3] Neil E.英国氢战略%。85.第八十五章：一个女人[4] 李海文，陈晓. 从日本的氢战略和活动中透视 JEng2021;7.[5] [10]杨文，李文，李文.聚合物电解质燃料电池中包括水管理在内的电池尺度多相流模型综述。应用能源2016;180：757-78.[6] 李勤，孟新，高芳，张刚，陈伟.基于双q学习算法的氢电动车组能量成本最优管理。IEEE Trans IndElectron 2021：1.[7] Jameson A，Gyenge E.卤素作为液流电池和再生燃料电池的正极活性物质。Electrochem Energy Rev 2020;3：431-65.[8] 李青，尹丽，杨华，王涛，邱勇，陈伟。PEMFC系统高效稳定运行的多目标优化和数据驱动约束自适应预测控制。IEEE Trans Ind Electron2021;68：12418-29.[9] 王毅，孙智，陈智.基于规则的混合电源功率分配策略的能量管理系统的开发。 能源2019;175：1055-66.[10] 宋凯，丁勇，胡旭，徐宏，王勇，曹军。基于燃料电池健康状态的混合动力汽车燃油经济性降级自 适 应 能 量 管 理 策 略 。应用能源2021;285：116413。[11] 王晓荣，马燕，高军，李婷，蒋光正，孙志英. 质子交换膜燃料电池水管理方法综述。2020年国际水电能源杂志。[12] 吴东，彭春，尹春，唐华.质子交换膜燃料电池系统集成与控制研究进展。Electrochem Energy Rev2020;3：466-505.[13] 张X，杨Y，张X，刘H.质子交换膜燃料电池触媒层与气体扩散层之效能退化之辨识。第449章.[14] Shakerinejad E，Kayhani MH，Nazari M，Tamayol A.质子交换膜燃料电池中插入小亲水层提高气体扩散层性能。2018年，《国际水电杂志》：43。[15] 李斌，肖强，杨丹，张春，蔡明，等.碳载铂纳米线作为1.5kW质子交换膜燃料电池电堆新型阴极催化剂的耐久性研究.北京：北京大学出版社，2001. ApplCatal，B 2015;162：133-40.[16] Lee GY，Jung MK，Ryoo SN，Park MS，Ha SC，Kim S.开发用于1KW级住宅发电机（RPG）系统的PEMFC堆的成本创新BP。 国际水文学杂志能源2010;35：13131-6.[17] 朱涛，张荣，王勇，欧明，谢明，邵宏，等. 10kW质子交换膜燃料电池堆的性能退化和工艺工程. 能源2021;219：119623。[18] 王B，张G，王H，宣杰，焦K.质子交换膜燃料电池的多物理分辨数字孪生模型与数据驱动的代理模型。 能源AI 2020;1.[19] ZhaoJ，Li X，Shum C，McPhee J.聚合物电解质膜燃料电池实时控制的物理和数据驱动模型综述。能源AI2021;6.[20] 顾旭，侯志，蔡杰.基于数据的质子交换膜燃料电池系统泛液故障诊断的LSTM网络。能源AI2021;4.[21] 阮红，陈军，艾伟，吴斌。通用诊断框架，用于通过深度学习快速量化电池退化。 能源AI 2022;9.[22] 张X，杨丹，罗明，董志.基于负载分布的汽车PEM燃料电池寿命预测经验模型。 Int J Hydrog Energy 2017;42：11868-78.[23] Zhou D，Al-Durra A，Zhang K，Ravey A，Gao F.质子交换膜燃料电池在线剩余使用寿命预测。J Power Sources 2018;399：314-28.[24] 何L.，詹志，陈辉，江平，余英，杨X，等.一种快速评估方法的寿命的燃料电池膜电极与粒子滤波算法。[25] 李青，王涛，李胜，陈伟，刘宏，Breaz E，等。考虑燃料电池退化的混合动力有轨电车在线寻极值优化能量管理策略。应用能源2021;285：116505。[26] 庞荣，张春，戴宏，白勇，郝东，陈军，等。基于典型运行参数下电池电压一致性的燃料电池健康状态智能识别。应用能源2022;305：117735.[27] 陆燕，张志刚，洪成，潘兴，袁勇，肖祥，等。基于粒子滤波算法的燃料电池膜电极寿命快速评估方法。IntJ Green Energy 2021;18.[28] 胡志，徐丽，黄勇，李军，欧阳明，杜新，等。燃料电池退化诊断恒电流充电法的综合分析。应用能源2018;212：1321-32。[29] 耿X，詹东东，周志华.用于可视化和分类的监督非线性降维。IEEE TransSystMan Cybern B Cybern 2005;35：1098-107.[30] [10] Yamamoto H，Yamaji H，Abe Y，Harada K，Waluyo D，Jiangusaki E，et al.使用PCA，PLS，OPLS和RFDA对代谢组数据进行简化，并对潜在变量进行差分惩罚。Chemom Intell Lab Syst 2009;98：136-42.[31] Pedagadi S.， 奥威尔·J Velastin S.，博戈辛湾行人再识别的局部Fisher判别分析2 0 1 3 年：3318-25。[32] 刘X，Tosun D，Weiner MW，Schuff N.阿尔茨海默病神经影像学I.局部线性嵌入（LLE）用于基于MRI的阿尔茨海默病分类。神经影像2013;83：148-57。[33] 曾涛，张超，黄忠，刘宏，陈世华，陈军，等。基于数据降维方法的PEM燃料电池功率变化率快速辨识。国际水文学杂志能源2019;44：21101-9.[34] 梁宏华，钟文华，郭世义。空移键控MIMO系统的编码辅助K均值聚类盲收发信机。IEEE Trans Wireless Commun 2016;15：103-15.T. Niu等人能源与人工智能10（2022）10018412[35] 刘宏，吴建，刘涛，陶东，傅勇.基于加权K-均值的谱集成聚类：理论与实践证据。 IEEE Trans Knowl Data Eng 2017;29：1129-43.[36] 吴伟，彭明.基于K均值聚类和Bagging神经网络的短期风电功率预测方法。IEEEInternet ofThings Journal 2017;4：979-86.[37] 徐杰， 汉·J Nie F. 多视图聚类的判别式嵌入k-means算法2016年：5356-64。[38] 王志，胡平，王文.参与式感知中的相互隐私保护回归建模。IEEEInfocom2013.[39] [10] Adapa B，Biswas D，Bhardwaj S，Raghuraman S，Acharyya A，Maharatna K. 基于坐标旋转的低复杂度K-means聚类架构。IEEETrans VeryLarge Scale Integr VLSI Syst 2017;25：1568-72.[40] Yang X，Xi W，Sun Y，Zeng T，Long T，Sarkar TK. 基于加权K均值聚类的大型平面相控阵雷达子阵划分优化。 IEEE J Sel Top Signal Process 2017;9：1460-8.[41] [10]李国雄，李国雄，李国雄.基于6D DBSCAN的建筑物点云分割用于平面对象分类。AutomConstr 2018;88：44-58.[42] 肖锋，德清，云，英杰。基于多属性DBSCAN优化算法的船舶航迹提取研究。波兰Marit Res 2021：28.[43] 王志，洪建，刘平，张良. 基于熵和Z-score的电动汽车电池系统电压故障诊断与预测。2016年的应用能源。[44] 王春，季明，王军，温伟，李婷，孙燕。一种改进的DBSCAN方法用于LiDAR数据分割并自动估计Eps。2019年传感器：19。[45] HuangH，Liu F，Zha X，et al. 基于改进ELM和DBSCAN算法的微电网坏数据检测方法。 J Energy Eng 2018.[46] 切斯诺科夫MY.基于DBSCAN集成的时间序列异常搜索46.第46章.[47] SaifudinMA，Silalahi BP，Sitanggang IS. 基于密度聚类的卫星姿态导航星表生成。2016年11月11日星期四[48] Birant D，Kut A. ST-DBSCAN：一种时空数据聚类算法。2006年：第60章：你是谁？